.png){kind=icon}
返回
Machine Learning for Dynamic Incentive Problems
.png){kind=icon}
OA
AI
DOI：10.1093/restud/rdag105.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种灵活且可扩展的计算框架，该框架整合了机器学习与优化理论，用于求解具有持续性私有信息和多种类型的动态逆向选择模型。我们的方法将模型重新表述为一种数值上易处理的结构，绕过了集值动态规划；我们正式证明了，在可验证的条件下，这种松弛方法能够得到原问题的解。该重新表述的问题通过并行化的值函数迭代算法求解，其中高维非线性函数利用高斯过程回归结合贝叶斯主动学习进行近似。我们将该框架应用于两个先前难以处理的模型：一个涉及最多十种类型的持续性隐藏信息模型，另一个包含多种持续性类型和虚报。与已知解的验证以及严格的可信度度量确认了其准确性。允许虚报显著改变了长期合同结果，将消费从极端情况集中起来，并随时间平滑了效用承诺。
